視頻中多運動目標分類的研究.pdf

1、隨著計算機技術(shù)、數(shù)字圖象處理技術(shù)的不斷發(fā)展,智能視頻監(jiān)控已經(jīng)成為計算機視覺領(lǐng)域的一個重要研究課題。運動目標分類是智能視頻監(jiān)控的重要組成部分,是目標行為分析與理解的基礎(chǔ)。本文在準確地提取出視頻中的運動目標后,提煉出幾個有效的目標特征,實現(xiàn)人、汽車、自行車的準確分類。
　　 在運動目標檢測方面,本文采用基于幀差法與減背景法相結(jié)合的目標檢測算法檢測目標,有助于較為完整地提取出運動目標,為運動目標的準確分類奠定基礎(chǔ)；利用surendra

2、背景更新算法解決了實驗中出現(xiàn)的對運動目標提取的干擾因素:背景中靜止目標移動以及前景運動目標長久停留在背景中的問題。
　　 在運動目標提取方面,本文采用基于類間最大方差法的動態(tài)閾值分割算法二值化前景圖像,獲得較為完整的運動目標像素；通過數(shù)學(xué)形態(tài)學(xué)濾波處理去除圖像中的噪聲,然后通過八連通域標識算法和目標碎片整理來分割得到完整的運動目標。
　　 在運動目標分類方面,本文對現(xiàn)有常用目標特征進行提煉,提出了基于長寬比、空隙率、空隙

3、率變化量的靜態(tài)特征和動態(tài)特征相結(jié)合的分類方法；并以DAG—SVM多類分類器作為分類器；針對人、汽車、自行車姿勢的多樣性,本文選取了包含各種目標姿勢的訓(xùn)練樣本和測試樣本,用多類分類器對訓(xùn)練樣本進行訓(xùn)練,并將測試樣本輸入到已經(jīng)訓(xùn)練好的多類分類器中進行分類,得到最終的分類結(jié)果。本文選取的長寬比、空隙率的變化量特征對空洞有一定的魯棒性,在出現(xiàn)無法解決的空洞問題的情況下,仍然能夠較為準確地實現(xiàn)目標分類。
　　 實驗表明,本文的方法能夠?qū)崿F(xiàn)